# --- 1. ADIM: VERİ YÜKLEME VE ÖZELLİK ANALİZİ (TAM VE EKSİKSİZ) ---

# 1.1. Kütüphanelerin İçe Aktarılması 
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import cv2
import os
import random

# Pandas çıktı ayarları (satırları tam görebilmek için)
pd.set_option('display.max_columns', None)
pd.set_option('display.width', 1000)

# 1.2. Veri Setinin Yüklenmesi 
# Klasör yolu (Senin ekran görüntüne göre ayarlandı)
ana_klasor_yolu = "data/Skin cancer ISIC The International Skin Imaging Collaboration/Train"

dosya_isimleri = []
dosya_yollari = []
siniflar = []

print("Veri seti yükleniyor, lütfen bekleyin...")

# Klasörleri tara (ISIC klasöründeki tüm görüntüleri yükle)
for kok_dizin, alt_klasorler, dosyalar in os.walk(ana_klasor_yolu):
    for dosya in dosyalar:
        if dosya.lower().endswith(('.jpg', '.jpeg', '.png')):
            dosya_isimleri.append(dosya)
            # Tam dosya yolunu oluştur
            tam_yol = os.path.join(kok_dizin, dosya)
            dosya_yollari.append(tam_yol)
            # Klasör adını sınıf olarak al
            siniflar.append(os.path.basename(kok_dizin))

# train_df adlı bir DataFrame’e yükleyin
train_df = pd.DataFrame({
    'dosya_adi': dosya_isimleri,
    'dosya_yolu': dosya_yollari,
    'sinif': siniflar
})

print("\n" + "="*50)
print("GÖREV 1.2 SONUÇLARI")
print("="*50)

# İlk birkaç satırı görüntüleyin 
print("--- İlk 5 Satır ---")
print(train_df.head())

# Toplam görüntü sayısını ekrana yazdırın 
print(f"\n--- Toplam Görüntü Sayısı: {len(train_df)} ---")


# 1.3. Veri Özelliklerinin İncelenmesi 
print("\n" + "="*50)
print("GÖREV 1.3 ANALİZ SONUÇLARI")
print("="*50)
print("Görüntü özellikleri analiz ediliyor (Tüm dosyalar taranıyor)...")

genislikler = []
yukseklikler = []
kanallar = []
dosya_boyutlari = []

# Tüm veri setini analiz et
for yol in train_df['dosya_yolu']:
    # Dosya boyutu (KB cinsinden) 
    boyut = os.path.getsize(yol) / 1024
    dosya_boyutlari.append(boyut)
    
    # Görüntü okuma ve shape bilgisi alma
    img = cv2.imread(yol)
    if img is not None:
        h, w, c = img.shape
        yukseklikler.append(h)
        genislikler.append(w)
        kanallar.append(c)

# 1. Görüntülerin çözünürlük (yükseklik–genişlik) analizini yazdır 
ort_genislik = np.mean(genislikler)
ort_yukseklik = np.mean(yukseklikler)

print(f"\n1. Çözünürlük Analizi:")
print(f"   - Ortalama Genişlik : {ort_genislik:.1f} px")
print(f"   - Ortalama Yükseklik: {ort_yukseklik:.1f} px")
print(f"   - Min Çözünürlük    : {np.min(genislikler)}x{np.min(yukseklikler)}")
print(f"   - Max Çözünürlük    : {np.max(genislikler)}x{np.max(yukseklikler)}")

# 2. Kanal sayılarını (RGB mi, grayscale mi?) doğrulayın 
benzersiz_kanallar = np.unique(kanallar)
print(f"\n2. Kanal Sayısı Doğrulaması:")
print(f"   - Tespit Edilen Kanal Değerleri: {benzersiz_kanallar}")

if len(benzersiz_kanallar) == 1 and benzersiz_kanallar[0] == 3:
    print("   - SONUÇ: ✅ Tüm görüntüler RGB (3 kanallı) formattadır.")
elif 1 in benzersiz_kanallar:
    print("   - SONUÇ: ⚠️ İçlerinde Grayscale (1 kanallı) görüntüler var.")
else:
    print("   - SONUÇ: ❓ Karışık format.")

# 3. Dosya boyutu dağılımını inceleyin (Grafik ile) 
print("\n3. Dosya Boyutu Dağılımı Grafiği Çiziliyor...")

plt.figure(figsize=(10, 6))
sns.histplot(dosya_boyutlari, kde=True, color='green')
plt.title('Dosya Boyutu Dağılımı (KB)')
plt.xlabel('Dosya Boyutu (KB)')
plt.ylabel('Görüntü Sayısı')
plt.grid(True, alpha=0.3)
plt.show()

Veri seti yükleniyor, lütfen bekleyin...

==================================================
GÖREV 1.2 SONUÇLARI
==================================================
--- İlk 5 Satır ---
          dosya_adi                                                                                                   dosya_yolu              sinif
0  ISIC_0025780.jpg  data/Skin cancer ISIC The International Skin Imaging Collaboration/Train\actinic keratosis\ISIC_0025780.jpg  actinic keratosis
1  ISIC_0025803.jpg  data/Skin cancer ISIC The International Skin Imaging Collaboration/Train\actinic keratosis\ISIC_0025803.jpg  actinic keratosis
2  ISIC_0025825.jpg  data/Skin cancer ISIC The International Skin Imaging Collaboration/Train\actinic keratosis\ISIC_0025825.jpg  actinic keratosis
3  ISIC_0025953.jpg  data/Skin cancer ISIC The International Skin Imaging Collaboration/Train\actinic keratosis\ISIC_0025953.jpg  actinic keratosis
4  ISIC_0025957.jpg  data/Skin cancer ISIC The International Skin Imaging Collaboration/Train\actinic keratosis\ISIC_0025957.jpg  actinic keratosis

--- Toplam Görüntü Sayısı: 2239 ---

==================================================
GÖREV 1.3 ANALİZ SONUÇLARI
==================================================
Görüntü özellikleri analiz ediliyor (Tüm dosyalar taranıyor)...

1. Çözünürlük Analizi:
   - Ortalama Genişlik : 862.1 px
   - Ortalama Yükseklik: 650.8 px
   - Min Çözünürlük    : 576x450
   - Max Çözünürlük    : 3872x2592

2. Kanal Sayısı Doğrulaması:
   - Tespit Edilen Kanal Değerleri: [3]
   - SONUÇ: ✅ Tüm görüntüler RGB (3 kanallı) formattadır.

3. Dosya Boyutu Dağılımı Grafiği Çiziliyor...

# --- 2. BÖLÜM: GÖRÜNTÜ GÖRSELLEŞTİRME, İSTATİSTİKLER VE HİSTOGRAMLAR ---

# 2.1. Rastgele 9 Görüntü Seçme 
rastgele_ornekler = train_df.sample(n=9, random_state=42)

# Grafik ayarları: 9 Satır (Resimler), 4 Sütun (RGB Resim, Gray Resim, RGB Hist, Gray Hist)
fig, axes = plt.subplots(9, 4, figsize=(20, 35))
fig.suptitle('Görüntü Analizi: RGB vs Grayscale ve Histogramlar', fontsize=16, y=1.002)

# Sütun Başlıklarını Ayarlayalım
axes[0, 0].set_title("Orijinal (RGB) + İstatistikler")
axes[0, 1].set_title("Grayscale + İstatistikler")
axes[0, 2].set_title("RGB Histogramı (Kanal Dağılımı)")
axes[0, 3].set_title("Grayscale Histogramı")

for i, (idx, satir) in enumerate(rastgele_ornekler.iterrows()):
    # Resmi Oku
    img_bgr = cv2.imread(satir['dosya_yolu'])
    
    # Dönüşümler
    img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)   # BGR -> RGB 
    img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) # BGR -> Grayscale 
    
    # --- 2.2. İSTATİSTİK HESAPLAMA  ---
    # RGB İstatistikleri
    rgb_stats = f"Min:{img_rgb.min()} Max:{img_rgb.max()}\nOrt:{img_rgb.mean():.1f} Std:{img_rgb.std():.1f}"
    
    # Grayscale İstatistikleri
    gray_stats = f"Min:{img_gray.min()} Max:{img_gray.max()}\nOrt:{img_gray.mean():.1f} Std:{img_gray.std():.1f}"
    
    # --- 1. SÜTUN: RGB RESİM ---
    axes[i, 0].imshow(img_rgb)
    axes[i, 0].axis('off')
    # İstatistikleri resmin altına kutu olarak ekle
    axes[i, 0].text(0, img_rgb.shape[0]*1.2, rgb_stats, color='black', 
                    bbox=dict(facecolor='orange', alpha=0.3, boxstyle='round'))

    # --- 2. SÜTUN: GRAYSCALE RESİM ---
    axes[i, 1].imshow(img_gray, cmap='gray')
    axes[i, 1].axis('off')
    axes[i, 1].text(0, img_gray.shape[0]*1.2, gray_stats, color='black', 
                    bbox=dict(facecolor='gray', alpha=0.3, boxstyle='round'))

    # --- 3. SÜTUN: RGB HİSTOGRAMI ---
    colors = ('r', 'g', 'b')
    for j, color in enumerate(colors):
        # j=0: Red, j=1: Green, j=2: Blue (img_rgb formatında)
        hist = cv2.calcHist([img_rgb], [j], None, [256], [0, 256])
        axes[i, 2].plot(hist, color=color, alpha=0.7)
    axes[i, 2].set_xlim([0, 256])
    axes[i, 2].grid(True, alpha=0.3)
    if i == 8: axes[i, 2].set_xlabel("Piksel Değeri")

    # --- 4. SÜTUN: GRAYSCALE HİSTOGRAMI  ---
    hist_gray = cv2.calcHist([img_gray], [0], None, [256], [0, 256])
    axes[i, 3].plot(hist_gray, color='black')
    axes[i, 3].fill_between(range(256), hist_gray.flatten(), color='gray', alpha=0.5)
    axes[i, 3].set_xlim([0, 256])
    axes[i, 3].grid(True, alpha=0.3)
    if i == 8: axes[i, 3].set_xlabel("Piksel Değeri")

plt.tight_layout()
plt.show()

# --- 3. BÖLÜM: GÖRÜNTÜ İŞLEME VE İYİLEŞTİRME --- 

# Rastgele bir örnek görüntü seçelim
ornek_satir = train_df.sample(1, random_state=42).iloc[0]
img_bgr = cv2.imread(ornek_satir['dosya_yolu'])

# Orijinal Görüntüler
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)
img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)

# --- FONKSİYONLAR ---

def kontrast_germe(img):
    """Görüntüdeki min-max aralığını 0-255 aralığına genişletir."""
    # Formül: (pixel - min) * (255 / (max - min))
    img_float = img.astype(float)
    min_val = np.min(img_float)
    max_val = np.max(img_float)
    stretched = ((img_float - min_val) * (255.0 / (max_val - min_val)))
    return np.clip(stretched, 0, 255).astype(np.uint8)

def gamma_duzeltme(img, gamma=1.0):
    """Gamma düzeltmesi için Look-Up Table (LUT) kullanır."""
    invGamma = 1.0 / gamma
    table = np.array([((i / 255.0) ** invGamma) * 255
                      for i in np.arange(0, 256)]).astype("uint8")
    return cv2.LUT(img, table)

# --- 3.1. KONTRAST GERME (STRETCHING) ---
# Grayscale için:
gray_stretched = kontrast_germe(img_gray)

# RGB için (Her kanalı ayrı ayrı germe):
b, g, r = cv2.split(img_rgb)
rgb_stretched = cv2.merge([kontrast_germe(b), kontrast_germe(g), kontrast_germe(r)])


# --- 3.2. HİSTOGRAM EŞİTLEME (EQUALIZATION) ---
# Grayscale için:
gray_eq = cv2.equalizeHist(img_gray)

# RGB için (YCrCb Yöntemi):
img_y_cr_cb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2YCrCb)
y, cr, cb = cv2.split(img_y_cr_cb)
# Sadece Y (Luminance/Parlaklık) kanalını eşitle
y_eq = cv2.equalizeHist(y)
# Birleştir ve tekrar RGB'ye dön
img_y_cr_cb_eq = cv2.merge((y_eq, cr, cb))
rgb_eq = cv2.cvtColor(img_y_cr_cb_eq, cv2.COLOR_YCrCb2RGB)


# --- GÖRSELLEŞTİRME 1: İYİLEŞTİRME TEKNİKLERİ ---
plt.figure(figsize=(15, 10))

# 1. Satır: Grayscale İşlemleri
plt.subplot(2, 3, 1); plt.imshow(img_gray, cmap='gray'); plt.title("Orijinal Grayscale")
plt.subplot(2, 3, 2); plt.imshow(gray_stretched, cmap='gray'); plt.title("Kontrast Germe (Gray)")
plt.subplot(2, 3, 3); plt.imshow(gray_eq, cmap='gray'); plt.title("Histogram Eşitleme (Gray)")

# 2. Satır: RGB İşlemleri
plt.subplot(2, 3, 4); plt.imshow(img_rgb); plt.title("Orijinal RGB")
plt.subplot(2, 3, 5); plt.imshow(rgb_stretched); plt.title("Kontrast Germe (RGB)")
plt.subplot(2, 3, 6); plt.imshow(rgb_eq); plt.title("Histogram Eşitleme (Y Kanalı)")

plt.tight_layout()
plt.show()

# --- 3.3. GAMMA DÜZELTME ---
gammas = [0.5, 1.0, 2.0]
plt.figure(figsize=(15, 8))
plt.suptitle("3.3. Gamma Düzeltme Karşılaştırması", fontsize=16)

for i, gamma in enumerate(gammas):
    # RGB Uygulama
    res_rgb = gamma_duzeltme(img_rgb, gamma=gamma)
    plt.subplot(2, 3, i+1)
    plt.imshow(res_rgb)
    plt.title(f"RGB Gamma = {gamma}")
    plt.axis('off')

    # Grayscale Uygulama
    res_gray = gamma_duzeltme(img_gray, gamma=gamma)
    plt.subplot(2, 3, i+4)
    plt.imshow(res_gray, cmap='gray')
    plt.title(f"Gray Gamma = {gamma}")
    plt.axis('off')

plt.tight_layout()
plt.show()

# --- 4. BÖLÜM: GÜRÜLTÜ AZALTMA (MEDIAN vs GAUSSIAN) ---

# Rastgele bir örnek görüntü seçelim
ornek_satir = train_df.sample(1, random_state=123).iloc[0]
img_bgr = cv2.imread(ornek_satir['dosya_yolu'])

# Orijinal Görüntüler (RGB ve Grayscale)
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)
img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)

# --- 4.1. MEDIAN BLUR UYGULAMA ---
# Çekirdek boyutu (kernel size) 5 olarak belirlendi
k_size_median = 5
rgb_median = cv2.medianBlur(img_rgb, k_size_median)
gray_median = cv2.medianBlur(img_gray, k_size_median)

# --- 4.2. GAUSSIAN BLUR UYGULAMA ---
# (5, 5) çekirdek boyutu
k_size_gauss = (5, 5)
rgb_gauss = cv2.GaussianBlur(img_rgb, k_size_gauss, 0)
gray_gauss = cv2.GaussianBlur(img_gray, k_size_gauss, 0)

# --- GÖRSELLEŞTİRME ---
plt.figure(figsize=(15, 10))
plt.suptitle(f"Gürültü Azaltma Karşılaştırması (Kernel: {k_size_median})", fontsize=16)

# 1. Satır: RGB Karşılaştırması
plt.subplot(2, 3, 1)
plt.imshow(img_rgb)
plt.title("Orijinal RGB")
plt.axis('off')

plt.subplot(2, 3, 2)
plt.imshow(rgb_median)
plt.title("Median Blur (RGB)")
plt.axis('off')

plt.subplot(2, 3, 3)
plt.imshow(rgb_gauss)
plt.title("Gaussian Blur (RGB)")
plt.axis('off')

# 2. Satır: Grayscale Karşılaştırması
plt.subplot(2, 3, 4)
plt.imshow(img_gray, cmap='gray')
plt.title("Orijinal Grayscale")
plt.axis('off')

plt.subplot(2, 3, 5)
plt.imshow(gray_median, cmap='gray')
plt.title("Median Blur (Gray)")
plt.axis('off')

plt.subplot(2, 3, 6)
plt.imshow(gray_gauss, cmap='gray')
plt.title("Gaussian Blur (Gray)")
plt.axis('off')

plt.tight_layout()
plt.show()

# --- 5. BÖLÜM: DÖNDÜRME VE AYNA ÇEVİRME (ROTATION & FLIPPING) --- 

# Rastgele bir örnek görüntü seçelim
ornek_satir = train_df.sample(1, random_state=42).iloc[0]
img_bgr = cv2.imread(ornek_satir['dosya_yolu'])

# Orijinal Görüntüler
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)
img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)

# --- 5.1. RASTGELE DÖNDÜRME (0-10 Derece Arası) ---
# Rastgele bir açı belirle
aci = random.uniform(0, 10)
(h, w) = img_rgb.shape[:2]
merkez = (w // 2, h // 2)

# Döndürme matrisini oluştur
M = cv2.getRotationMatrix2D(merkez, aci, 1.0)

# Döndürme işlemini uygula (Affine Transformation)
rgb_rotated = cv2.warpAffine(img_rgb, M, (w, h))
gray_rotated = cv2.warpAffine(img_gray, M, (w, h))

# --- 5.2. YATAY AYNA ÇEVİRME (HORIZONTAL FLIP) ---
# 1 parametresi yatay çevirme (horizontal) anlamına gelir
rgb_flipped = cv2.flip(img_rgb, 1)
gray_flipped = cv2.flip(img_gray, 1)

# --- GÖRSELLEŞTİRME ---
plt.figure(figsize=(15, 10))
plt.suptitle(f"Geometrik Dönüşümler (Rastgele Açı: {aci:.2f}°)", fontsize=16)

# 1. Satır: RGB İşlemleri
plt.subplot(2, 3, 1); plt.imshow(img_rgb); plt.title("Orijinal RGB")
plt.axis('off')
plt.subplot(2, 3, 2); plt.imshow(rgb_rotated); plt.title(f"Döndürülmüş ({aci:.1f}°)")
plt.axis('off')
plt.subplot(2, 3, 3); plt.imshow(rgb_flipped); plt.title("Yatay Flip (Ayna)")
plt.axis('off')

# 2. Satır: Grayscale İşlemleri
plt.subplot(2, 3, 4); plt.imshow(img_gray, cmap='gray'); plt.title("Orijinal Grayscale")
plt.axis('off')
plt.subplot(2, 3, 5); plt.imshow(gray_rotated, cmap='gray'); plt.title(f"Döndürülmüş ({aci:.1f}°)")
plt.axis('off')
plt.subplot(2, 3, 6); plt.imshow(gray_flipped, cmap='gray'); plt.title("Yatay Flip (Ayna)")
plt.axis('off')

plt.tight_layout()
plt.show()

# --- 6. BÖLÜM: FREKANS ALANINDA FİLTRELEME (FFT) --- 

# Rastgele bir örnek görüntü seçelim
ornek_satir = train_df.sample(1, random_state=42).iloc[0]
img_bgr = cv2.imread(ornek_satir['dosya_yolu'])
img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) # FFT gri tonda yapılır 

# --- 6.1. FOURIER DÖNÜŞÜMÜ (FFT) ---
# Görüntüyü frekans alanına çevir
f = np.fft.fft2(img_gray)
# Düşük frekansları (merkezi) ortaya taşı (Shift)
fshift = np.fft.fftshift(f)
# Görselleştirmek için logaritmik ölçek al (Magnitude Spectrum) 
magnitude_spectrum = 20 * np.log(np.abs(fshift))

# --- 6.2. ALÇAK GEÇİREN FİLTRE (LOW PASS FILTER) --- 
rows, cols = img_gray.shape
crow, ccol = rows // 2, cols // 2 # Merkez noktası

# Maske oluştur: Merkezde beyaz (1), kenarlarda siyah (0)
# Bu maske sadece düşük frekansların (merkez) geçmesine izin verir
mask = np.zeros((rows, cols), np.uint8)
r = 60 # Yarıçap (Maskenin büyüklüğü)
cv2.circle(mask, (ccol, crow), r, 1, thickness=-1)

# Maskeyi frekans alanına uygula
fshift_filtered = fshift * mask
# Filtrelenmiş spektrumu görselleştir
magnitude_spectrum_filtered = 20 * np.log(np.abs(fshift_filtered) + 1) # +1 log(0) hatasını önlemek için

# --- 6.3. TERS FOURIER (INVERSE FFT) --- 
# Merkezi tekrar eski yerine taşı (Inverse Shift)
f_ishift = np.fft.ifftshift(fshift_filtered)
# Ters FFT uygula
img_back = np.fft.ifft2(f_ishift)
# Sonucun mutlak değerini al (Karmaşık sayıdan kurtul)
img_back = np.abs(img_back)

# --- GÖRSELLEŞTİRME ---
plt.figure(figsize=(12, 12))
plt.suptitle("Frekans Alanında Filtreleme (Low Pass Filter)", fontsize=16)

# 1. Orijinal Görüntü
plt.subplot(2, 2, 1)
plt.imshow(img_gray, cmap='gray')
plt.title('1. Orijinal Grayscale')
plt.axis('off')

# 2. Frekans Spektrumu (FFT)
plt.subplot(2, 2, 2)
plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('2. Frekans Spektrumu (FFT)')
plt.axis('off')

# 3. Filtrelenmiş Spektrum (Maske Uygulanmış)
plt.subplot(2, 2, 3)
plt.imshow(magnitude_spectrum_filtered, cmap='gray')
plt.title('3. Filtrelenmiş Spektrum (Maske)')
plt.axis('off')

# 4. Sonuç Görüntü (IFFT)
plt.subplot(2, 2, 4)
plt.imshow(img_back, cmap='gray')
plt.title('4. Sonuç: Alçak Geçiren Filtre (IFFT)')
plt.axis('off')

plt.tight_layout()
plt.show()

# --- 7. BÖLÜM: KESKİNLEŞTİRME VE ENTERPOLASYON --- 

# Rastgele bir örnek görüntü seçelim
ornek_satir = train_df.sample(1, random_state=42).iloc[0]
img_bgr = cv2.imread(ornek_satir['dosya_yolu'])

# Orijinal Görüntüler
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)
img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)

# --- 7.1. UNSHARP MASKING İLE KESKİNLEŞTİRME --- 
def unsharp_mask(image, kernel_size=(5, 5), sigma=1.0, amount=1.5, threshold=0):
    """
    Unsharp Masking Tekniği: Orijinal + (Orijinal - Bulanık) * Miktar
    """
    blurred = cv2.GaussianBlur(image, kernel_size, sigma)
    sharpened = float(amount + 1) * image - float(amount) * blurred
    sharpened = np.maximum(sharpened, 0)
    sharpened = np.minimum(sharpened, 255)
    return sharpened.astype(np.uint8)

# Hem RGB hem Grayscale için uygula
rgb_sharpened = unsharp_mask(img_rgb)
gray_sharpened = unsharp_mask(img_gray)

# --- 7.2. BICUBIC ENTERPOLASYON (2x BÜYÜTME) --- 
# Keskinleştirilmiş görüntüleri 2 katına çıkar
# fx=2, fy=2 (Genişlik ve Yükseklik 2 kat artar)
rgb_bicubic = cv2.resize(rgb_sharpened, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)
gray_bicubic = cv2.resize(gray_sharpened, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)

# Boyutları Yazdıralım
print(f"Orijinal Boyut: {img_rgb.shape[:2]}")
print(f"Büyütülmüş Boyut: {rgb_bicubic.shape[:2]}")

# --- GÖRSELLEŞTİRME ---
plt.figure(figsize=(15, 12))
plt.suptitle("Keskinleştirme ve 2x Büyütme (Interpolation)", fontsize=16)

# 1. Satır: Orijinal vs Keskinleştirilmiş (RGB)
plt.subplot(2, 3, 1); plt.imshow(img_rgb); plt.title("1. Orijinal RGB")
plt.axis('off')
plt.subplot(2, 3, 2); plt.imshow(rgb_sharpened); plt.title("2. Keskinleştirilmiş (Unsharp Mask)")
plt.axis('off')
# Detayı görmek için büyütülmüş halinden bir kesit (Crop) gösterelim
h, w = rgb_bicubic.shape[:2]
crop_rgb = rgb_bicubic[h//2-100:h//2+100, w//2-100:w//2+100]
plt.subplot(2, 3, 3); plt.imshow(crop_rgb); plt.title("3. Bicubic Zoom (Detay)")
plt.axis('off')

# 2. Satır: Orijinal vs Keskinleştirilmiş (Grayscale)
plt.subplot(2, 3, 4); plt.imshow(img_gray, cmap='gray'); plt.title("4. Orijinal Grayscale")
plt.axis('off')
plt.subplot(2, 3, 5); plt.imshow(gray_sharpened, cmap='gray'); plt.title("5. Keskinleştirilmiş (Gray)")
plt.axis('off')
# Detayı görmek için büyütülmüş halinden bir kesit (Crop)
crop_gray = gray_bicubic[h//2-100:h//2+100, w//2-100:w//2+100]
plt.subplot(2, 3, 6); plt.imshow(crop_gray, cmap='gray'); plt.title("6. Bicubic Zoom (Detay)")
plt.axis('off')

plt.tight_layout()
plt.show()

Orijinal Boyut: (450, 600)
Büyütülmüş Boyut: (900, 1200)

1. Veri Analizi Sonuçları¶

2.3.c Histogram Analizi ve Yorumlar¶

3. Görüntü İşleme ve İyileştirme Analizi¶

3.1. Kontrast Germe (Contrast Stretching)¶

3.2. Histogram Eşitleme (Histogram Equalization)¶

3.3. Gamma Düzeltme (Gamma Correction)¶

4. Gürültü Azaltma (Blur) Tekniklerinin Karşılaştırılması¶

5. Döndürme ve Ayna Çevirme (Geometrik Dönüşümler) Analizi¶

6. Frekans Alanında Filtreleme (FFT) Analizi¶

7. Keskinleştirme ve Enterpolasyon Analizi¶